相似度感知的民族文化知识图谱链路预测模型

doi:10.11772/j.issn.1001-9081.2025070818

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (8): 2447-2456.DOI: 10.11772/j.issn.1001-9081.2025070818

相似度感知的民族文化知识图谱链路预测模型

王岩¹^,², 陈曦¹^,²(), 赵中恺¹^,², 周欢¹^,², 吴涛³, 艾梦格¹^,², 肖雪松⁴

^1.西南民族大学计算机与人工智能学院，成都 610225
^2.计算机系统国家民委重点实验室（西南民族大学），成都 610225
^3.成都信息工程大学计算机学院，成都 610225
^4.成都明途科技有限公司，成都 610213

收稿日期:2025-07-22 修回日期:2025-09-30 接受日期:2025-10-14 发布日期:2025-11-05 出版日期:2026-08-10
通讯作者: 陈曦
作者简介:王岩（2000—），男，四川成都人，硕士研究生，主要研究方向：知识图谱、图神经网络
陈曦（1985—），男，重庆人，教授，博士，主要研究方向：网络虚拟化、人工智能
赵中恺（1993—），男，山西大同人，博士，主要研究方向：人工智能
周欢（1990—），女，四川遂宁人，副教授，博士，主要研究方向：数据库、人工智能
吴涛（1984—），女，山东曲阜人，教授，博士，主要研究方向：粒子群优化算法、人工智能
艾梦格（2001—），女，河南周口人，硕士研究生，主要研究方向：图神经网络
肖雪松（1975—），男，四川成都人，高级工程师，主要研究方向：智能体。
基金资助:
国家社会科学基金哲学社会科学领军人才项目(20230037);国家民委中青年英才项目(民委发〔2022〕117号);成都市科技项目(2025-XT00-00005-GX)

Similarity-aware link prediction model for ethnic culture knowledge graph

Yan WANG¹^,², Xi CHEN¹^,²(), Zhongkai ZHAO¹^,², Huan ZHOU¹^,², Tao WU³, Mengge AI¹^,², Xuesong XIAO⁴

^1.College of Computer Science and Artificial Intelligence，Southwest Minzu University，Chengdu Sichuan 610225，China
^2.The Key Laboratory for Computer Systems of State Ethnic Affairs Commission （Southwest Minzu University），Chengdu Sichuan 610225，China
^3.School of Computer Science，Chengdu University of Information Technology，Chengdu Sichuan 610225，China
^4.Chengdu Minto Technology Company Limited，Chengdu Sichuan 610213，China

Received:2025-07-22 Revised:2025-09-30 Accepted:2025-10-14 Online:2025-11-05 Published:2026-08-10
Contact: Xi CHEN
About author:WANG Yan， born in 2000， M. S. candidate. His research interests include knowledge graph， graph neural networks.
ZHAO Zhongkai， born in 1993， Ph. D. His research interests include artificial intelligence.
ZHOU Huan， born in 1990， Ph. D.， associate professor. Her research interests include database， artificial intelligence.
WU Tao， born in 1984， Ph. D.， professor. Her research interests include particle swarm optimization algorithms， artificial intelligence.
AI Mengge， born in 2001， M. S. candidate. Her research interests include graph neural networks.
XIAO Xuesong， born in 1975， senior engineer. His research interests include agent.
Supported by:
Leading Talent Project of National Social Science Fund of China(20230037);Science and Technology Project of Chengdu(2025-XT00-00005-GX);Young and Middle-aged Talent Project of National Ethnic Affairs Commission of China （〔2022〕117）

摘要/Abstract

摘要：

挖掘民族文化知识图谱中实体间的潜在关联不仅有助于揭示民族文化要素之间的演化关系，也为民族文化的系统建模与智能推理提供了新的技术路径；然而，民族文化知识图谱存在多对一属性归属、结构高度同质化及存在大量噪声边等特点，现有的链路预测模型难以同时捕捉文化实体间的细粒度特征关联，并有效抵御图谱中的噪声边干扰，导致预测性能和模型鲁棒性受限。针对上述问题，提出一种特征相似度感知的图神经网络（GNN）模型SRGCN （Similarity-aware Relational Graph Convolutional Network）。SRGCN基于节点特征相似度构建动态聚合机制，以更准确地捕捉实体间的特征关联；同时，引入双层对比学习框架有效抑制噪声干扰，并设计线性加权的多目标损失函数，通过动态调整主、辅任务的损失权重，进一步增强模型的稳健性。在民族文化知识图谱数据集HeritEdge上的实验结果表明，在链路预测任务中相较于最优基线模型LTRGN （Linear self-aTtention with multi-Relational Graph Network），SRGCN在平均倒数排名（MRR）和Hits@10指标上分别提升28.4%和32.5%，性能更优。

关键词: 民族文化, 知识图谱, 图神经网络, 链路预测, 对比学习

Abstract:

Mining potential associations among entities in ethnic culture knowledge graphs is valuable for revealing evolutionary relationships among cultural elements and provides new technical paths for systematic modeling and intelligent reasoning of ethnic culture. However， because such graphs have characteristics of many-to-one attribute affiliations， highly homogeneous structures， and numerous noisy edges， the existing link prediction models are limited in capturing fine-grained feature associations among cultural entities simultaneously and resisting noisy edge interference in the graphs effectively， which restricts prediction performance and model robustness. To address these problems， a Graph Neural Network （GNN） model with similarity-aware features， SRGCN （Similarity-aware Relational Graph Convolutional Network） was proposed. In SRGCN， a dynamic aggregation mechanism was constructed on the basis of node feature similarity， so as to capture feature associations among entities more accurately. At the same time， a dual-level contrastive learning framework was introduced to suppress noise interference effectively， and a linearly weighted multi-objective loss function was designed， where the weights of primary and auxiliary tasks were adjusted dynamically to further enhance the model robustness. Experimental results on the HeritEdge ethnic culture knowledge graph dataset show that SRGCN outperforms the optimal baseline model， LTRGN （Linear self-attention with multi-Relational Graph Network）， achieving improvements of 28.4% and 32.5% on Mean Reciprocal Rank （MRR） and Hits@10， respectively， demonstrating better performance.

Key words: ethnic culture, knowledge graph, Graph Neural Network (GNN), link prediction, contrastive learning

中图分类号:

TP391.1

王岩, 陈曦, 赵中恺, 周欢, 吴涛, 艾梦格, 肖雪松. 相似度感知的民族文化知识图谱链路预测模型[J]. 计算机应用, 2026, 46(8): 2447-2456.

Yan WANG, Xi CHEN, Zhongkai ZHAO, Huan ZHOU, Tao WU, Mengge AI, Xuesong XIAO. Similarity-aware link prediction model for ethnic culture knowledge graph[J]. Journal of Computer Applications, 2026, 46(8): 2447-2456.

图/表 14

参考文献 29

[1]	Peng C， Xia F， Naseriparsa M， et al. Knowledge graphs： opportunities and challenges［J］. Artificial Intelligence Review， 2023， 56（11）： 13071-13102.
[2]	Bai B， Hou W. The application of knowledge graphs in the Chinese cultural field： the ancient capital culture of Beijing［J］. Heritage Science， 2023， 11： No.77.
[3]	Bruseker G， Carboni N， Guillem A. Cultural heritage data management： the role of formal ontology and CIDOC CRM［M］// Vincent M L， López-Menchero Bendicho V M， Ioannides M， et al. Heritage and archaeology in the digital age： acquisition， curation， and dissemination of spatial cultural heritage data， QMHSS. Cham： Springer， 2017： 93-131.
[4]	Wang M， Qiu L， Wang X. A survey on knowledge graph embeddings for link prediction［J］. Symmetry， 2021， 13（3）： No.485.
[5]	Bordes A， Usunier N， Garcia-Durán A， et al. Translating embeddings for modeling multi-relational data［C］// NeurIPS 2013. Red Hook： Curran Associates Inc.， 2013： 2787-2795.
[6]	Yang B， Yih W T， He X， et al. Embedding entities and relations for learning and inference in knowledge bases［PP/OL］. V4. arXiv （2015-08-29）［2025-04-13］..
[7]	Lisena P， Ehrhart T， Troncy R. How to embed large but incomplete knowledge graphs in the culture heritage sector： lessons learned from Odeuropa［M］// Handbook on neurosymbolic AI and knowledge graphs. Amsterdam： IOS Press， 2025： 146-165.
[8]	Graham S， Yates D， El-Roby A， et al. Relationship prediction in a knowledge graph embedding model of the illicit antiquities trade［J］. Advances in Archaeological Practice， 2023， 11（2）： 126-138.
[9]	Wu Z， Pan S， Chen F， et al. A comprehensive survey on graph neural networks［J］. IEEE Transactions on Neural Networks and Learning Systems， 2021， 32（1）： 4-24.
[10]	Xie Y， Li J， Zhang W， et al. Fusing beyond homophily and low-frequency information in graph neural networks［J］. Neurocomputing， 2025， 654： No.131332.
[11]	Qian S， Ying H， Hu R， et al. Robust training of graph neural networks via noise governance［C］// WSDM 2023. New York： ACM， 2023： 607-615.
[12]	昂格鲁玛，王斯日古楞，斯琴图. 知识图谱补全研究综述［J］. 计算机科学与探索， 2025， 19（9）： 2302-2318.
	Anggeluma， Wang Siriguleng， Si Qintu. Overview of research on knowledge graph completion［J］. Journal of Frontiers of Computer Science and Technology， 2025， 19（9）： 2302-2318.
[13]	Schlichtkrull M， Kipf T N， Bloem P， et al. Modeling relational data with graph convolutional networks［C］// ESWC 2018， LNCS 10843. Cham： Springer， 2018： 593-607.
[14]	Shang C， Tang Y， Huang J， et al. End-to-end structure-aware convolutional networks for knowledge base completion［C］// Proceedings of the 33rd AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2019： 3060-3067.
[15]	Vashishth S， Sanyal S， Nitin V， et al. Composition-based multi-relational graph convolutional networks［PP/OL］. V2. arXiv （2020-01-18）［2025-04-05］..
[16]	杨强，周欣，程军军，等. 基于改进图卷积神经网络的知识图谱补全方法［J］. 计算机应用与软件， 2025， 42（1）： 82-89.
	Yang Qiang， Zhou Xin， Cheng Junjun， et al. Knowledge graph completion method based on improved graph convolutional network［J］. Computer Applications and Software， 2025， 42（1）： 82-89.
[17]	Nathani D， Chauhan J， Sharma C， et al. Learning attention-based embeddings for relation prediction in knowledge graphs［C］// ACL 2019. Stroudsburg： ACL， 2019： 4710-4723.
[18]	Zhang S， Zhang J， Song X， et al. PaGE-Link： path-based graph neural network explanation for heterogeneous link prediction［C］// WWW 2023. New York： ACM， 2023： 3784-3793.
[19]	Bhatti U A， Tang H， Wu G， et al. Deep learning with graph convolutional networks： an overview and latest applications in computational intelligence［J］. International Journal of Intelligent Systems， 2023， 2023： No.8342104.
[20]	Vrahatis A G， Lazaros K， Kotsiantis S. Graph attention networks： a comprehensive review of methods and applications［J］. Future Internet， 2024， 16（9）： No.318.
[21]	Liu T， Wang Y， Ying R， et al. MuSe-GNN： learning unified gene representation from multimodal biological graph data［C］// NeurIPS 2023. Red Hook： Curran Associates Inc.， 2023： 24661-24677.
[22]	Dai Y， Yan M， Li J. Granular concept-enhanced relational graph convolution networks for link prediction in knowledge graph［J］. Information Sciences， 2025， 694： No.121698.
[23]	Ju W， Wang Y， Qin Y， et al. Towards graph contrastive learning： a survey and beyond［PP/OL］. V1. arXiv （2024-05-20）［2025-05-13］..
[24]	Rusak E， Reizinger P， Juhos A， et al. InfoNCE： identifying the gap between theory and practice［PP/OL］. V2. arXiv （2025-04-16）［2025-06-16］..
[25]	Chen M， Huang C， Xia L， et al. Heterogeneous graph contrastive learning for recommendation［C］// WSDM 2023. New York： ACM， 2023： 544-552.
[26]	Li Y， Zhang H， Yuan Y. Edge contrastive learning： an augmentation-free graph contrastive learning model［C］// Proceedings of the 39th AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2025： 18575-18583.
[27]	Chao L， He J， Wang T， et al. PairRE： knowledge graph embeddings via paired relation vectors［C］// ACL-IJCNLP 2021. Stroudsburg： ACL， 2021： 4360-4369.
[28]	Sun Z， Deng Z H， Nie J Y， et al. RotatE： knowledge graph embedding by relational rotation in complex space［PP/OL］. V1. arXiv （2019-02-26）［2025-06-25］..
[29]	Liu W， Qiang B， Chen R， et al. Linear self-attention with multi-relational graph for knowledge graph completion［J］. Applied Intelligence， 2025， 55（8）： No.727.

数据类型	数据量
非物质文化遗产项目	3 600
重点文物保护单位	5 000
民族文物	3 500
其他文化元素	500

数据类型	数据量
非物质文化遗产项目	3 600
重点文物保护单位	5 000
民族文物	3 500
其他文化元素	500

CIDOC CRM 概念类	民族文化概念类	描述
E1 CRM Entity	民族文化	表示民族文化顶层概念类
E78 Collection	非物质文化遗产	非物质文化遗产的集合
E27 Site	文物保护单位	全国的文物保护单位
E22 Man-Made Object	文物	具体的民族文物
E4 Period	年代	历史时期、年代
E74 Group	民族	民族族群
E201 Province Place	省份	全国32个省市
E38 Image	多模态数据	文物的影像、照片等
E202 Region Place	地区	详细的地理位置
E55 Type	类别	所属类别、类型
E54 Dimension	级别	级别定量描述
E56 Language	语言	相关民族语言信息
E203 Batch	批次	获批批次
E94 Space Primitive	经度纬度	地理位置坐标

CIDOC CRM 概念类	民族文化概念类	描述
E1 CRM Entity	民族文化	表示民族文化顶层概念类
E78 Collection	非物质文化遗产	非物质文化遗产的集合
E27 Site	文物保护单位	全国的文物保护单位
E22 Man-Made Object	文物	具体的民族文物
E4 Period	年代	历史时期、年代
E74 Group	民族	民族族群
E201 Province Place	省份	全国32个省市
E38 Image	多模态数据	文物的影像、照片等
E202 Region Place	地区	详细的地理位置
E55 Type	类别	所属类别、类型
E54 Dimension	级别	级别定量描述
E56 Language	语言	相关民族语言信息
E203 Batch	批次	获批批次
E94 Space Primitive	经度纬度	地理位置坐标

CIDOC CRM对象属性	民族文化对象属性	定义域	值域
P201 is used in	使用地区	语言	省份
P72 has language	使用语言	民族	语言
P53 distributed in	分布于	民族	省份
P202 has former or current location	所在地区	文物保护单位、非物质文化遗产	地区
P203 located in province	所在省份	文物保护单位、非物质文化遗产	省份
P4 has time-span	所属年代	文物、文物保护单位	年代
P2 has type	所属类别	文物保护单位、文物、非物质文化遗产	类别
P65 shows visual item	多模态信息	文物	多模态数据
P43 has dimension	文物级别	文物	级别
P204 related ethnicity	相关民族	非物质文化遗产、文物	民族
P205 Approval Batch	申报批次	文物保护单位	批次
P168 place is defined by	所在经纬度	文物保护单位、非物质文化遗产	经度纬度

相似度感知的民族文化知识图谱链路预测模型

Similarity-aware link prediction model for ethnic culture knowledge graph

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 14

参考文献 29

相关文章 15

编辑推荐

Metrics

模型	MRR	Hits@1	Hits@3	Hits@10
TransE	0.082	0.026	0.095	0.198
PairRE	0.201	0.128	0.230	0.359
DistMult	0.290	0.211	0.334	0.439
RotatE	0.284	0.194	0.338	0.455
R-GCN	0.175	0.102	0.206	0.330
SACN	0.320	0.248	0.355	0.464
CompGCN	0.351	0.277	0.392	0.492
LTRGN	0.359	0.286	0.398	0.504
SRGCN	0.461	0.357	0.507	0.668

模型	尾预测				头预测
模型	MRR	Hits@1	Hits@3	Hits@10	MRR	Hits@1	Hits@3	Hits@10
TransE	0.164	0.053	0.189	0.394	0.001	—	—	0.002
PairRE	0.395	0.254	0.454	0.704	0.008	0.003	0.006	0.015
DistMult	0.523	0.393	0.608	0.773	0.057	0.030	0.060	0.106
RotatE	0.516	0.357	0.621	0.819	0.052	0.030	0.055	0.090
RGCN	0.284	0.159	0.346	0.557	0.066	0.045	0.067	0.103
SACN	0.607	0.489	0.680	0.842	0.033	0.006	0.030	0.086
CompGCN	0.647	0.529	0.727	0.876	0.055	0.026	0.056	0.107
LTRGN	0.649	0.534	0.724	0.876	0.069	0.038	0.072	0.132
SRGCN	0.653	0.532	0.736	0.859	0.268	0.181	0.278	0.477

[1]	吕慧慧, 仲兆满, 张渝, 樊继冬. 融合互信息最大化与对比学习的句法增强型方面级情感分析[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2440-2446.
[2]	刘晶, 吕凤凤, 牛巍, 季海鹏, 吴健, 张啸. 基于动态知识嵌入的轴承寿命预测方法[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2347-2354.
[3]	王昱麒, 张仰森, 王璞. 融合知识增强和对比学习的高中英语阅读理解模型[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2096-2103.
[4]	张玥, 王英. 基于邻域记忆的可扩展动态图表示学习[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2104-2110.
[5]	武湘怡, 叶海良, 曹飞龙. 基于平滑-锐化图卷积的点云补全方法[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2267-2276.
[6]	朱莉, 米路革麻, 朱春强, 徐婉茹, 高靖凯, 屈锦琪. 基于动态卷积分解和多尺度图的短期电力负荷预测模型[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2334-2346.
[7]	李佳航, 韩启龙, 李丽洁, 张慧. 基于大语言模型的超关系知识图谱限定符增强方法[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2043-2053.
[8]	樊海玮, 丁文帅, 邢宏政. 基于多异构拓扑图协同与层次对比学习的知识感知推荐性能增强方法[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2085-2095.
[9]	李冰清, 黄彬浩, 唐语蓓, 张柏礼. 面向数据稀疏性与冷启动问题的服务质量预测模型[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1829-1835.
[10]	戚航, 董婷婷, 乃永强, 莫先. 基于图扩散生成与自适应采样的对比协同过滤方法[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1818-1828.
[11]	王静红, 陈潇, 马迎梅, 李笔, 米据生, 王威. 基于自适应学习的多层次邻域对比属性图聚类[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1836-1843.
[12]	喻小芹, 单武扬, 邱骏颖, 林宇, 杨容浩, 田茂. 亮度对比度扰动下的图像篡改定位检测网络[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1893-1903.
[13]	卢敏, 周辉. 基于指派活动冲突图节点预测的机场停机位分配算法[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1913-1921.
[14]	袁浩然, 刘欢, 焦鹏飞, 赵治栋, 张显飞, 柳遵梁. 掩码自编码器增强的动态异质图表示学习模型[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1728-1737.
[15]	王美华, 黄杰, 温雯, 蔡瑞初, 黄沛杰, 徐禹洪, 林新龙. 基于梯度正交投影的动态知识图谱持续嵌入方法[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1776-1784.

模型	HeritEdge				HeritEdgeNoise
模型	MRR	Hits@1	Hits@3	Hits@10	MRR	Hits@1	Hits@3	Hits@10
SRGCN	0.461	0.357	0.507	0.668	0.415	0.325	0.476	0.565
去除相似度聚合机制	0.341	0.264	0.364	0.487	0.305	0.230	0.342	0.435
去除第一层对比学习	0.387	0.290	0.432	0.585	0.295	0.208	0.340	0.448
去除第二层对比学习	0.336	0.233	0.372	0.540	0.252	0.170	0.290	0.395
去除双层对比学习机制	0.271	0.204	0.300	0.440	0.182	0.118	0.215	0.305

模型	HeritEdge				HeritEdgeNoise
模型	MRR	Hits@1	Hits@3	Hits@10	MRR	Hits@1	Hits@3	Hits@10
SRGCN	0.461	0.357	0.507	0.668	0.415	0.325	0.476	0.565
去除相似度聚合机制	0.341	0.264	0.364	0.487	0.305	0.230	0.342	0.435
去除第一层对比学习	0.387	0.290	0.432	0.585	0.295	0.208	0.340	0.448
去除第二层对比学习	0.336	0.233	0.372	0.540	0.252	0.170	0.290	0.395
去除双层对比学习机制	0.271	0.204	0.300	0.440	0.182	0.118	0.215	0.305

模型	尾预测				头预测
模型	MRR	Hits@1	Hits@3	Hits@10	MRR	Hits@1	Hits@3	Hits@10
SRGCN	0.653	0.532	0.736	0.859	0.268	0.181	0.278	0.477
去除相似度聚合机制	0.639	0.528	0.721	0.831	0.042	—	0.007	0.143
去除第一层对比学习	0.598	0.466	0.685	0.803	0.175	0.113	0.179	0.367
去除第二层对比学习	0.490	0.342	0.538	0.705	0.182	0.124	0.206	0.374
去除双层对比学习机制	0.427	0.315	0.462	0.662	0.114	0.092	0.137	0.217

模型	尾预测				头预测
模型	MRR	Hits@1	Hits@3	Hits@10	MRR	Hits@1	Hits@3	Hits@10
SRGCN	0.653	0.532	0.736	0.859	0.268	0.181	0.278	0.477
去除相似度聚合机制	0.639	0.528	0.721	0.831	0.042	—	0.007	0.143
去除第一层对比学习	0.598	0.466	0.685	0.803	0.175	0.113	0.179	0.367
去除第二层对比学习	0.490	0.342	0.538	0.705	0.182	0.124	0.206	0.374
去除双层对比学习机制	0.427	0.315	0.462	0.662	0.114	0.092	0.137	0.217